高压电气设备作为电力系统的重要组成部分，其运行电压高、负载大、运行时间长，容易发生故障，并且由此导致的后果往往是相当严重的。因此需要实时监测高压电气设备的运行状况，识别故障早期征兆，避免故障造成的严重后果。故障的多样性、不确定性和各种故障之间联系的复杂性构成了故障诊断技术上的难点，仅靠单一的故障特征量和诊断方法无法完成诊断任务。本文将信息融合的基本思想引入高压电气设备的故障诊断中，可以提高故障诊断结果的可靠性，最大限度地减小不确定性。 按信息融合处理层次分类，信息融合可分为数据层信息融合、特征层信息融合、决策层信息融合，它能将来自多传感器或多源的信息和数据进行综合处理，从而得出更为准确、可靠的结论，可根据不同的应用背景选择相应的融合层次和算法。本文重点研究了信息融合技术应用于高压电气设备故障诊断的实现，考虑了融合层次的特点和融合方法的选择，研究了融合算法的实现，并针对高压电气设备温度监测的难点，选取了光纤布拉格光栅（FBG）温度传感器组成分布式监测系统用于监测温度，并将高压电气设备的温变特征和其它电气参数相结合，建立基于信息融合技术的高压电气设备故障诊断模型，用于准确判定高压电气设备的故障类型。同时，为了提高FBG温度传感器对温度的灵敏度和消除应力的影响，以及对中心波长的准确解调，本文还对光纤布拉格光栅温度传感器的增敏封装、中心波长的解调技术和消除中心波长的噪声和量化误差方面做了一定的研究。 针对故障类型的不确定性，本文建立了基于BP神经网络和D—S证据理论的高压电气设备故障诊断模型，将故障点和周围测点的实测温度及与上一时刻的温度差和电压电流电气参数等多源信息进行融合，通过应用实例证明，在故障诊断中采用神经网络和证据理论可以获得对故障类型的精确描述，有效提高故障诊断的精确度和可信度，减小故障诊断的不确定性。 基于BP神经网络和D—S证据理论的高压电气设备故障诊断模型应用MATLAB7.0进行模拟仿真，结果说明了本文提出的方法的可行性，从仿真结果可以证明信息融合模型在高压电气设备故障诊断中具有积极的作用。